第27卷第10期2010年10月
计算机应用与软件
ComputerApplicationsandSoftware
V01.27No.10
Oct.2010
基于蚁群算法求解最大团问题
王会颖耿家礼
(安徽财贸职业学院计算机系安微合肥230601)
摘要最大团问题是一种典型的NP完全问题,是图论中一个经典的组合优化问题。研究将蚁群算法应用于求解最大团问题,
提出一种求解最大团问题蚁群算法。通过定义最大团问题蚁群算法中的各元素,并改进了蚂蚁搜索解的方法,有效地改善蚁群算法易于过早地收敛于局部最优解的缺陷。仿真实验表明,图中的顶点数较多时,也取得了较好的结果。关键词
最大团问题蚁群算法
最大团问题蚁群算法
SOLVING
MAXIMUMCLIQUEPROBLEM
BASEDoNANTCOLONYOPTIMIZATION
WangHuiying
GengJiali
(Department矿Computer&切M,AnhuiFinance&TradeVocationalCollege,Hefei230601,Anhui,China)
Abstract
Maximumchqueproblemis
ant
a
typicalNPcompleteproblem,andis
to
a
classicalproblemofcombinatorialoptimizationingraph
theory.Inthispaper,toapply
colonyoptimizationresolfing
maximumcliqueproblemisresearched,andanalgorithmofantcolonyopti—
mizationforsolvingmaximumcliquement
on
problem(ACOMCP)isputforward.WiththedefinitionofeachelementinACOMCPandtheimprove—
disadvantageofeasilyfallingintolocalbestthe
morenumbersofthevertex,it
ant
the
way
the
ant
searchesitssolutions.the
colonyoptimization
hasiseffectively
a.
meliorated.Simulationresultsshowed,whenthere
Maximumcliqueproblem
are
Can
alsoachievefairlygoodeffect.
Keywords
Antcolonyoptimization
Antcolonyoptimizationfor
solvingmaximumcliqueproblem(ACOM・
CP)
质的强度成正比。当一条路径上通过的蚂蚁越来越多时,其留
0引言
下的信息素也越来越多,后来蚂蚁选择该路径的概率也越高,从而更增加了该路径的信息素强度。而强度大的信息索会吸引更多的蚂蚁,从而形成一种正反馈机制。通过这种正反馈机制,蚂蚁最终可以发现最短路径“。
以TSP为例说明基本蚁群算法ACO(ant
colony
optimiza-
最大团问题是一类NP完全问题,也被称为最大独立集问题。它的应用领域包括市场分析、方案选择、信号传输、计算机视觉和故障诊断等。研究它有很大的理论价值和实践价值。传统的确定性算法不能有效地进行求解最大团问题,因此好多学者提出了各种各样的启发式算法求解该问题。目前国内使用启发式算法求解最大团问题的研究还处于起步阶段¨。。
蚁群算法是一种新型仿生类进化算法,是继模拟退火、遗传算法、禁忌搜索等之后的又一启发式智能优化算法,具有很强的通用性和鲁棒性。意大利学者DorigoM等于1991年最早提出蚁群算法,1992年,DorigoM又在其博士论文中进一步阐述其核心思想门1。蚁群算法成功地应用于求解TSP、二次分配、着色、车辆调度、集成电路设计及通信网络负载等问题。蚁群算法从提出到现在,因其在求解组合优化问题中突出表现,吸引了人们的极大关注。
tion)。TSP描述为,已知,1个城市及各城市间的距离,求一条经过各城市一次且仅一次的最短的Hamilton回路。
设有n个城市,m只蚂蚁,任意两城市i、,之间的距离为d(iJ),r(i√)表示两个城市i√之间信息素的浓度。初始时刻,各信息素的浓度相同。蚂蚁k从城市i转移到另一个城市』的
概率为P:,其计算式如式(1)所示。其中,J(k)为蚂蚁k在城市
i时,还没有访问过的城市集合。启发函数田(i,J)=1/d(i,J)。a≯p为参数。
l∑[r(√)]4・['7(iJ)]4
Pi3…1
5{『∈.,(%)
。
。f揣特揣㈦^…,n
’。-’
”’
F
1
【0
其它
r(iJ)=gr(i√)+△f(i√)
(2)
1基本蚁群算法
蚂蚁有能力在没有任何提示下找到从其巢穴到食物源的最短路径,并且能随环境的变化,适应性地搜索新的路径,产生新的选择。根本原因是蚂蚁在寻找食物源时,能在其走过的路上释放一种特殊的分泌物一信息素,随着时间的推移该物质会逐渐挥发,后来的蚂蚁选择该路径的概率与当时这条路径上该物
信息素更新式为式(2)。其中,T(i,j)表示城市i,,之间的信息素的浓度,1-p(0<p<1)表示信息素的挥发程度,A'r(i,J)=l/lmb,lmb为一代中蚂蚁找到的最短路经的长度。信息素
收稿日期:2009—02—15。安微省自然科学基金项目(K.12008B021)。王会颖。讲师。主研领域:智能软件,群体智能。
108
计算机应用与软件
2010点
的处理方式为:一代中仅对周游路径长度最短的蚂蚁所经过的路径进行信息素的修改增加,其余衰减,At(i)=1/lmb,lmb为一代中蚂蚁找到的最短路径的长度。
算法ACO简单描述如下:
①初始化。设定各参数值,蚂蚁个数m,最大进化代数腑,信息素.r(i√)=l。
②每只蚂蚁独立地构造一个解。蚂蚁k随机选择一个城
市i作为起点,开始周游。根据概率公式(1)计算概率P:,按概率P:大者选择下一个城市J,蚂蚁k从i转移到下~个城市L若
蚂蚁k周游的当前路径长度大于本代求得最短路径长度,结束此只蚂蚁的周游,否则,继续寻找下一个城市,直到蚂蚁k访问完所有的城市。
③若m只蚂蚁都构造完成各自的解,则转④,否则转②。④根据周游路径长度最小的蚂蚁,按式(2)及信息素的处理方式进行全局信息素更新。
⑤若满足结束条件,则输出最优解,否则GEN=GEN+1,转②。结束条件为GEN>Arc或当前解已稳定。
2最大团问题
给定一个无向图G=(y,E)。如果U∈V,且对任意u,tJ∈U有(Ⅱ,口)∈E,则称U是G的一个完全子图。G的完全子图U是G的一个团,当且仅当U不包含在G的更大的完全子图中。C的最大团是指G中所含顶点数最多的团‘“。
图1无向图G
在图1无向图G中,子集{l,2}是G的一个大小为2的完全子图。这个完全子图不是一个团,因为它包含于G的更大的完全子图{l,2,5}之中。t1,2,5}是G的一个最大团。{l,4,5}和{2,3,5}也是图G的最大团‘”。
3求解最大团问题蚁群算法
3.1
求解最大团问题蚁群算法中各元素的定义
本文提出求解最大团问题蚁群算法ACOMCP(ant
colony
optimizationofsolvingnl/l】【imumclique
problem)。在ACOMCP
中,每个顶点作为一个信息素载体,信息素积累在顶点上;一代迭代后,每只蚂蚁构造出一个可行解(团),第☆只蚂蚁形成团u,U={菇¨’菇托,…,鬈k},其中,%=i表示第k只蚂蚁第J次选中顶点i,IuI表示第k只蚂蚁构造的团所包含的顶点数,即团的阶数。
设无向图G=(V,E),有n个顶点,图的存储结构采用邻接
矩阵删,堋(i√)=l表示顶点i和顶点,相邻接,arcs(i√)=0
表示顶点i和顶点,不相邻接。顶点i的度数为degree(i)。启发函数叩定义为和顶点相关联的边数,即顶点的度数,田(i)=degree(i)。目标函数为各蚂蚁构造的团中,团的阶数IuI的最大值。
蚂蚁k求解时,从一个顶点i转移到下一个顶点J的概率,按式(3)计算,其中,rU)为t时刻积累在顶点_『上的信息素的浓度,
J(k)为蚂蚁k可以转移的下一个顶点的集合。集合.,(k)中的每个顶点j要满足三个条件:①顶点J不包含在蚂蚁k形成的当前解{髫…毒垃,…,%}中;②顶点J和蚂蚁k已求得的当前解中的每个顶点相邻接;③顶点门砸i邻接,即arcs(id)=l。
扣f蚩黼In(J)
硝=j∑[fu)]。×
]4
川㈩(3)
一“”。
(3)
r’
olh盯
信息素的更新仅采用全局更新的方式,一代中仅对所含顶点数最多的团中所含的顶点进行信息素的修改增加,其余衰减。更新为式(4),其中,lmb为一代中蚂蚁找到的顶点数最多的团的阶数。
r‘(t+1)=p_r。(t)+△f(i)
(4)
其中:
甜¨卜10.…
rImb/n顶点i属于一代中蚂蚁找到顶点数最多的团
其他
3.2对基本蚁群算法的改进
根据式(1)计算出集合J(k)中所有顶点的概率,基本蚁群算法一般是选取概率大者作为下一个顶点。这样虽然强化了启发函数和信息素的引导,但是,容易出现停滞现象,过早地收敛于局部最优解。在蚁群算法中,信息素的加强形成正反馈机制,从而使可行解一步一步地向好解进化。同时也要增加搜索的随机性,兼顾解空间的各种情况,才能搜索到较好解,冲出局部最优解,向全局最优解进化。
基于上述分析,最大团问题蚁群算法改进蚂蚁选择下一个顶点的方式,采用最大原则或轮盘赌两种选点方式:给定参数qo(O≤q0<1),生成随机数g(O≤g<1)。
(1)当g≤go时,蚂蚁按最大原则选点,按式(5)计算,蚂蚁选取[r(j)]4×[叼(J)]9达到最大的集合J(奄)中的顶点。
lI娜([f(J)]4×[n(J)]4),∈J(k)(5)
(2)当q>q。时,按概率算式(3)计算集合.,(七)中所有顶点的概率,然后采用轮盘赌的方式选点,这样既兼顾了概率大小,又增加了搜索的随机性。轮盘赌的伪代码描述如下:
①生成一随机数r,O《r<l,.『=0,,=p,;②如果/≥r,则转④;⑤j=j+lJ=f+p;,辕②;④选取点J,输出,结束。
对上述给定的参数%采用动态改变的方式。在进化的前期,由于初始信息素匮乏,信息素还不能很好地起到弓l导作用,
q0取较大的值,这样蚂蚁较多按最大原则选点,减少蚂蚁的盲目搜索,蚂蚁容易找到较好的解,缩短搜索时间,加快收敛速度。在进化的后期,q。取较小的值。蚂蚁较多依据概率按轮盘赌方法选取下一个顶点,增加搜索的随机性,能有效地突破局部最优解,改善停滞现象,向最优解转化。
3.3最大团问题蚁群算法分析
求解最大团问题蚁群算法描述如下:
①初始化。设定各参数的值,蚂蚁的个数m,最大进化代数Ⅳc,当前进化代数GEN=0,各顶点初始信息素的浓度下(i)=
1,i=1,2,…,,I。
②蚂蚁I|}(k=l,2,…,m)随机选择一个顶点i为初始起点,
放入解向量,solutions(1)=i,舶Ⅱ(i)=l,团的阶数s=l。
③每只蚂蚁独立地构造一个团。生成蚂蚁k从顶点i可转移的下一个顶点的集合.,(.|});若_,(k)为不空,生成随机数q,若
第10期王会颖等:基于蚁群算法求解最大团问题
109
q<。qo,蚂蚁按最大原则选点,,否则,蚂蚁按轮盘赌的方式选点J;将顶点J放入蚂蚁k求得的解solutions中,tabu(,)=I,团的阶数s=s+1。如此循环,直到蚂蚁后可转移的下一个顶点的集合J(k)为空。q0进化初期取值较大,后期较小,动态变化。
④若蚂蚁k形成的团的阶数大于当代最优团的阶数,保存&形成的团为当代最优团。
⑤若m只蚂蚁都构造完成各自的团,则转⑥,否则转②。⑥根据本代的最优团,按(4)式进行全局信息素更新。⑦若本代最优团阶数大于进化以来的全局最优团阶数,保存本代最优团为全局最优团。
⑧若达到一定的代数或解已稳定,则输出最优解;否则GEN=GEN+1,转②。
在求解TSP问题基本蚁群算法ACO中,算法的时间复杂度T(,1)=o(Nc・n2・m);空间复杂度S(n)=o(17,2)+O(//,・m)¨0|。ACO和ACOMCP的时间复杂度比较如下:在初始化步骤上,ACO为O(,12),ACOMCP为O(,1);在每只蚂蚁独立构造一个解步骤上,ACO为O(n2),ACOMCP为O(r/.2);在信息素更新步骤上,ACO为O(,12),ACOMCP为O(/7,)。在ACOMCP中,虽然总体时间复杂度没变,但在初始化,信息素更新步骤上,从ACO的0(,12)降低到ACOMCP的O(n)。在ACOMCP中,启发函数、信息素、解向量、概率、禁忌表均为一维向量。空间复杂度S(rt)=O(/1.)。因此,最大团问题蚁群算法时间复杂度T(/1,)=0(Nc・/7,2・m);空间复杂度Js(n)=O(珏)。
顶点数11
88
实例文献7,图1
文献6。图9
文献
ACOMCP求解结果最大团
1,2,6,72,3,5,6,71,2,3,4,5,6,7,8,9,10
回溯算法
时间
O.00030.O003
阶数
45
阶数代数
45
l1
阶数时间
45
O.000lO.000l
14
文献6,图2
1010lO.0025100.0035
20
文献5
3
0。6,7或0,6,11或0,6,14或D。14,15或3,8,16或3,16,19或4。6,11
3l0.00103O.0013
表2回溯算法、AGOMCP对DIMACS中的实例的求解结果比较
DJMACS
顶点数
n
边数
9435225990
实例
Keller一4Keller一5
ACOMCP求解结果阶数个数代数
ll27
9210
l71
列溯算法
阶数
ll27
时间
O.4087812.4219
阶数
1l
时间
178.2622
17I776
表3ACOMCP算法求解实例keller-5得到的10个不同的阶数为27的最大团
3640425263J4619823930931232632834442242843046l47250053766572974674975377l7753640425263146198239309312326328344372422428430
46l47253766572974674975377l775
344390
4仿真实验
实验数据来源分为二部分:第一部分采用美国离散数学及理论计算科学中心DIMACS提供的DIMACS基准图中的keller4实例和keller5实例。DIMACS基准图可通过登录tip://dimaes.Rugers.edu/pub/challeng/或者http://dimacs.Rutgers.edu/chal—lenges/获得。实例keller4和keller5数据在ftp://dimaes.Rut-gem.edu/pub/challeng/graph/contributed/shot/qa。
第二部分实验数据采用文献[5—9]提供实例数据。实验运行环境为:Pentium
0
4l4448667016l239272309312326328
42242843046147253765072974l7457477577684l4448667016l239272309312326328344390422428430
46l47253763265074l745747757768
344422
4l4448667016l2392723093123263284284304l
46l472518537650729741745747757768
4448667016l183239309312326328344390
42242843046l47253763265074l7457477577684l
44486670161183239309312326328344422
1~6
4,2.26G
CPU,512M内存,jdk
42843046147251853765072974l74574775776841
11,Eclipse.SDK-3.4.1,Java编程。实验参数:蚂蚁数m
44486670161183239309312326328344422
=n,瑾=1,B=l,P=O.9,T_lllaX=l,x_min=0.00000001,最大进化代数为200,qO在进化初期取0.8,中期取0.6,后期取0.4。
实验比较回溯算法’4。和最大团问题蚁群算法的求解质量和求解时间。在求解质量上,ACOMCP取得了回溯算法精确求解得到的最优值,全部最优解。但在求解时间上,当问题规模较大时,ACOMCP求解时间远远小于回溯算法,取得较好的效果。实验结果如表I一表3和图2所示,其中,时间单位均为秒,代数为蚂蚁求得最优解进化的平均代数。
用文献E5—9]提供的实例对ACOMCP、回溯算法进行测试,表1给出求解结果比较,其中,时间均为求得一个最优解的平均时间。结果表明,ACOMCP均容易求得其最优值和最优解。
表1
顶点
ACOMCP和回溯算法及文献[5—9]结果的比较
42843046l47251853763265074l7457477577684144486670161239272309312326328
344422
42843046l4725185376326507417457477577684l44486670161183239309312326328344390422428430
46l472537650729741745747757768
数n
6
实例文献9,图2。
(a)
文献阶数
4
ACOMCP求解结果
最大团
回溯算法
时间
O.0002
阶数代数
4
l
阶数
4
时间
0
0,2,3,4或
0,1,2,3
图2ACOMCP求解keller-5每代的进化情况
用DIMACS基准图中的keller4和keller5测试实例对
4
0.000l
8
文献8,
4
2,4,5,7
410.o()03
(下转第113页】
第10期李政:主动学习在基于内容的遥感影像检索中的应用
113
时间;ACOMCP个数为ACOMCP求得的不同最大团的个数,
5结论
本文提出的融合主动学习和SVM的主动集成学习算法
经实验表明,可进一步减少所需标记样本的数量,同时能够最大程度地缩减变型空间,能有效地改善学习器性能,从而能快速准确地捕捉到用户查询概念。下一步将对该算法的适应性进行深入研究和验证。
ACOMCP时间为在连续lO次求解中,求得第一个最优解所用的平均时间,如Keller-5实例,求得第一个最优解的平均代数为71代,每代进化的平均时间为11.4989秒,ACOMCP时间为71×11.4989=816.4219秒。可以看出,对Keller-4实例,ACOMCP求解质量同于回溯算法。但求解时间远远小于回溯算法,从回溯算法的1708.2622秒降低到0.4087秒。对Keller-5实例,ACOMCP顺利求解,而回溯算法求解困难。实例keller-4用ACOMCP得到了阶数为11的92个不同的最大团。对实例kel—ler-5用ACOMCP得到的阶数为27的10个不同的最大团在表3
image
参考文献
[1]Smeulders
the
early
A
WM,eta1.Content—based
Transactions
on
retrieval
at
theendof
中给出。
图2中,横坐标表示ACOMCP进化的代数,纵坐标表示团的阶数,图2反映了ACOMCP求解过程中团的阶数随代数的变化情况,算法在第73代已达到了稳定,求解效率较高。
years.IEEE
PatternAnalysisandMachine
Intelligence。2000。22(12):1349—1380.
[2]SaltonG,Buddeyc.Improvingretrievalperformancebyrelevance
feedback.Journal
of
theAmerican
society
forinformation
science,
1990,41(4):288—297.
[3]张健沛,徐华.支持向量机(SVM)主动学习方法研究与应用.计
算机应用,2004(1):l一3.
[4]徐杰.基于小样本学习的图像检索研究[D].上海:上海交通大
学,2004.
[5]张学工.关于统计学习理论与支持向量机.自动化学报。2000,26
(1):32—42.
[6]FreundY,SeungH,eta1.Selectivesampling
mittee
using
5结论
本文研究利用蚁群算法求解最大团问题,提出了求解最大团问题蚁群算法。应用蚁群算法原理及算法模型对求解最大团问题进行建模,定义了最大团问题蚁群算法中的各元素。对基本蚁群算法进行改进,改进蚂蚁选择下一个顶点的方式,依据动态参数,采用最大原则或轮盘赌方式。这样,在进化前期蚂蚁较多按最大原则选点,蚂蚁容易找到较好的解,减少蚂蚁的盲目搜索,缩短搜索时间,加快收敛速度;在进化后期,蚂蚁较多依据概率按轮盘赌方法选取下一个顶点,既兼顾了概率大小,又增加了搜索的随机性,兼顾解空间的多种情况,有效改善蚁群算法易于过早地收敛于局部最优解的缺陷。对ACOMCP进行分析,其时间复杂度为O(Ⅳc・,12・m),空间复杂度为0(n)。仿真实验比较ACOMCP和回溯算法及文献[5—9]的结果,并用DIMACS基准图中的keller4和keller5测试实例对ACOMCP、回溯算法进行测试。实验结果表明,ACOM-CP算法取得较好的求解速度和求解质量。将最大团问题蚁群算法和其它算法融合,进一步改进算法的求解效率和求解质量,是需要进一步研究的问题。
the
queryby
o{Mn[i-
algorithm.MachineLearning,1997。28:133—168.
fortraining
[7]DaganI,EngelsonS.Committee・basedsampling
tic
on
probabilis-Conference
classifiers[C]//Proceedingsofthetwelfth
MachineLearning.1995:150—157.
International
[8]CohnD,AtlasL,LadnerR.Improvinggeneralizationwith
ing.Machine
activelearn-
Learning,1994,15(2):201—221.
sequential
[9]LewisD,GaleWA.A
algorithm
for
training
text
classifiers
fC]//Pn)e.OftheSeventeenthAnnumIntl.ACM.SIGIRConf.Re.
search
and
Development
in
Information
Retrieval,Springer-
Ved%,1994.
[10]刘宏,屠轶清,黄上腾.一种新的支持向量机主动学习策略及其
在文本分类中的应用.计算机科学,2003,30(6):110一112.[11]Tongs,KollerD.Support
cations
to
Vector
Machine
of
Active
LearningwithAppli・
TextCla∞iiication.Journal
MachineLearningResearch.
2001,2:45—66.
参考文献
[1]周旭东,王丽爱,陈岐.启发式算法求解最大团问题研究[J].计算
机工程与设计,2007,28(18):4329—4332.
(2]DorigoM.Optimizationlearningandnaturealgorithm[D].PhD.The-
sis,DepartmentofElectronics,PolitecnieodiMilano,Italy,1992.
support
vector
[12]Mitchell
T
M.Generalization鹊Search.JournalofArtitlcialInteRi-
gence.1982.18:203—226.
[13]MitchellT.MachineLearning.McGrawHill。1997.[14]Tongs,ChangE.Support[15]SchohnG,CohnD.Less
vector
machineactive
learningforimage睁
trieval.ACMMultimedia。Ottawa,Canada,2001.
is
more,Active
learningwith
[3]丁建立,陈增强,袁著祉.遗传算法与蚂蚁算法的融合[J].计算机
研究与发展,2003。40(9):1351—1356.
[4]王晓东.计算机算法设计与分析[M].2版.北京:电子工业出版
machines[C]//Prec.oftheSeventeenthlnd.Conf.OilMachine
ing.2000.
Learn-
[16]ChangCc,uncJ.LIBSVM:Alibraryforsupport
2001.http://www.esie.ntu.edu.tw/一cjlin/libevm.
vector
machines,
社.2005:141—143.
[5]刘怀义.杨小帆,孙丽萍,等.用带非线性自反馈的神经网络求解最
大团问题[J].重庆大学学报:自然科学版,2007,30(9):60—62.
f上接第109页)
ACOMCP和回溯算法分别进行测试,表2、表3和图2给出这些实例的部分测试结果。实验结果可以看出,ACOMCP可以求得基准图的最优值和不同的最优解,取得较好的结果,实证了ACOMCP求解的有效性和高效性。
表2中,DIMACS阶数为当前国际上对基准图测试得到的最大团阶数的最优值;回溯算法时间为求得一个最优解的平均
[6]韩爱丽,杨志敏.HEWN算法的复杂性分析~点商榷意见[J].软件
学报,2002,13(12):2337—2342.
[7]贾晓峰,郭廷花,续晓欣.关于最大团问题的一种新算法[J].中北
大学学报:自然科学版,2006,27(2):180—182.
[8]钱晓锋,郁松年,徐炜民.一种借助邻接矩阵求任意图最大团的方
法[J],计算机工程与应用,2001,23:103—105.
[9]李燕,王秀峰.DNA计算方法[J].计算机科学,加阱,31(5):142—1躬.[10]段海滨.蚁群算法原理及应用[M].北京:科学出版社,2005:40一42.
基于蚁群算法求解最大团问题
作者:作者单位:刊名:英文刊名:年,卷(期):
王会颖, 耿家礼, Wang Huiying, Geng Jiali安徽财贸职业学院计算机系,安徽,合肥,230601计算机应用与软件
COMPUTER APPLICATIONS AND SOFTWARE2010,27(10)
参考文献(10条)
1. 段海滨 蚁群算法原理及应用 2005
2. 李燕;王秀峰 DNA计算方法[期刊论文]-计算机科学 2004(05)
3. 钱晓锋;郁松年;徐炜民 一种借助邻接矩阵求任意图最大团的方法[期刊论文]-计算机工程与应用 2001(23)4. 贾晓峰;郭廷花;续晓欣 关于最大团问题的一种新算法[期刊论文]-中北大学学报(自然科学版) 2006(02)5. 韩爱丽;杨志敏 HEWN算法的复杂性分析-点商榷意见[期刊论文]-软件学报 2002(12)
6. 刘怀义;杨小帆;孙丽萍 用带非线性自反馈的神经网络求解最大团问题[期刊论文]-重庆大学学报(自然科学版)2007(09)
7. 王晓东 计算机算法设计与分析 2005
8. 丁建立;陈增强;袁著祉 遗传算法与蚂蚁算法的融合[期刊论文]-计算机研究与发展 2003(09)9. Dorigo M Optimization learning and nature algorithms 1992
10. 周旭东;王丽爱;陈岐 启发式算法求解最大团问题研究[期刊论文]-计算机工程与设计 2007(18)
本文链接:http://d.g.wanfangdata.com.cn/Periodical_jsjyyyrj201010033.aspx
第27卷第10期2010年10月
计算机应用与软件
ComputerApplicationsandSoftware
V01.27No.10
Oct.2010
基于蚁群算法求解最大团问题
王会颖耿家礼
(安徽财贸职业学院计算机系安微合肥230601)
摘要最大团问题是一种典型的NP完全问题,是图论中一个经典的组合优化问题。研究将蚁群算法应用于求解最大团问题,
提出一种求解最大团问题蚁群算法。通过定义最大团问题蚁群算法中的各元素,并改进了蚂蚁搜索解的方法,有效地改善蚁群算法易于过早地收敛于局部最优解的缺陷。仿真实验表明,图中的顶点数较多时,也取得了较好的结果。关键词
最大团问题蚁群算法
最大团问题蚁群算法
SOLVING
MAXIMUMCLIQUEPROBLEM
BASEDoNANTCOLONYOPTIMIZATION
WangHuiying
GengJiali
(Department矿Computer&切M,AnhuiFinance&TradeVocationalCollege,Hefei230601,Anhui,China)
Abstract
Maximumchqueproblemis
ant
a
typicalNPcompleteproblem,andis
to
a
classicalproblemofcombinatorialoptimizationingraph
theory.Inthispaper,toapply
colonyoptimizationresolfing
maximumcliqueproblemisresearched,andanalgorithmofantcolonyopti—
mizationforsolvingmaximumcliquement
on
problem(ACOMCP)isputforward.WiththedefinitionofeachelementinACOMCPandtheimprove—
disadvantageofeasilyfallingintolocalbestthe
morenumbersofthevertex,it
ant
the
way
the
ant
searchesitssolutions.the
colonyoptimization
hasiseffectively
a.
meliorated.Simulationresultsshowed,whenthere
Maximumcliqueproblem
are
Can
alsoachievefairlygoodeffect.
Keywords
Antcolonyoptimization
Antcolonyoptimizationfor
solvingmaximumcliqueproblem(ACOM・
CP)
质的强度成正比。当一条路径上通过的蚂蚁越来越多时,其留
0引言
下的信息素也越来越多,后来蚂蚁选择该路径的概率也越高,从而更增加了该路径的信息素强度。而强度大的信息索会吸引更多的蚂蚁,从而形成一种正反馈机制。通过这种正反馈机制,蚂蚁最终可以发现最短路径“。
以TSP为例说明基本蚁群算法ACO(ant
colony
optimiza-
最大团问题是一类NP完全问题,也被称为最大独立集问题。它的应用领域包括市场分析、方案选择、信号传输、计算机视觉和故障诊断等。研究它有很大的理论价值和实践价值。传统的确定性算法不能有效地进行求解最大团问题,因此好多学者提出了各种各样的启发式算法求解该问题。目前国内使用启发式算法求解最大团问题的研究还处于起步阶段¨。。
蚁群算法是一种新型仿生类进化算法,是继模拟退火、遗传算法、禁忌搜索等之后的又一启发式智能优化算法,具有很强的通用性和鲁棒性。意大利学者DorigoM等于1991年最早提出蚁群算法,1992年,DorigoM又在其博士论文中进一步阐述其核心思想门1。蚁群算法成功地应用于求解TSP、二次分配、着色、车辆调度、集成电路设计及通信网络负载等问题。蚁群算法从提出到现在,因其在求解组合优化问题中突出表现,吸引了人们的极大关注。
tion)。TSP描述为,已知,1个城市及各城市间的距离,求一条经过各城市一次且仅一次的最短的Hamilton回路。
设有n个城市,m只蚂蚁,任意两城市i、,之间的距离为d(iJ),r(i√)表示两个城市i√之间信息素的浓度。初始时刻,各信息素的浓度相同。蚂蚁k从城市i转移到另一个城市』的
概率为P:,其计算式如式(1)所示。其中,J(k)为蚂蚁k在城市
i时,还没有访问过的城市集合。启发函数田(i,J)=1/d(i,J)。a≯p为参数。
l∑[r(√)]4・['7(iJ)]4
Pi3…1
5{『∈.,(%)
。
。f揣特揣㈦^…,n
’。-’
”’
F
1
【0
其它
r(iJ)=gr(i√)+△f(i√)
(2)
1基本蚁群算法
蚂蚁有能力在没有任何提示下找到从其巢穴到食物源的最短路径,并且能随环境的变化,适应性地搜索新的路径,产生新的选择。根本原因是蚂蚁在寻找食物源时,能在其走过的路上释放一种特殊的分泌物一信息素,随着时间的推移该物质会逐渐挥发,后来的蚂蚁选择该路径的概率与当时这条路径上该物
信息素更新式为式(2)。其中,T(i,j)表示城市i,,之间的信息素的浓度,1-p(0<p<1)表示信息素的挥发程度,A'r(i,J)=l/lmb,lmb为一代中蚂蚁找到的最短路经的长度。信息素
收稿日期:2009—02—15。安微省自然科学基金项目(K.12008B021)。王会颖。讲师。主研领域:智能软件,群体智能。
108
计算机应用与软件
2010点
的处理方式为:一代中仅对周游路径长度最短的蚂蚁所经过的路径进行信息素的修改增加,其余衰减,At(i)=1/lmb,lmb为一代中蚂蚁找到的最短路径的长度。
算法ACO简单描述如下:
①初始化。设定各参数值,蚂蚁个数m,最大进化代数腑,信息素.r(i√)=l。
②每只蚂蚁独立地构造一个解。蚂蚁k随机选择一个城
市i作为起点,开始周游。根据概率公式(1)计算概率P:,按概率P:大者选择下一个城市J,蚂蚁k从i转移到下~个城市L若
蚂蚁k周游的当前路径长度大于本代求得最短路径长度,结束此只蚂蚁的周游,否则,继续寻找下一个城市,直到蚂蚁k访问完所有的城市。
③若m只蚂蚁都构造完成各自的解,则转④,否则转②。④根据周游路径长度最小的蚂蚁,按式(2)及信息素的处理方式进行全局信息素更新。
⑤若满足结束条件,则输出最优解,否则GEN=GEN+1,转②。结束条件为GEN>Arc或当前解已稳定。
2最大团问题
给定一个无向图G=(y,E)。如果U∈V,且对任意u,tJ∈U有(Ⅱ,口)∈E,则称U是G的一个完全子图。G的完全子图U是G的一个团,当且仅当U不包含在G的更大的完全子图中。C的最大团是指G中所含顶点数最多的团‘“。
图1无向图G
在图1无向图G中,子集{l,2}是G的一个大小为2的完全子图。这个完全子图不是一个团,因为它包含于G的更大的完全子图{l,2,5}之中。t1,2,5}是G的一个最大团。{l,4,5}和{2,3,5}也是图G的最大团‘”。
3求解最大团问题蚁群算法
3.1
求解最大团问题蚁群算法中各元素的定义
本文提出求解最大团问题蚁群算法ACOMCP(ant
colony
optimizationofsolvingnl/l】【imumclique
problem)。在ACOMCP
中,每个顶点作为一个信息素载体,信息素积累在顶点上;一代迭代后,每只蚂蚁构造出一个可行解(团),第☆只蚂蚁形成团u,U={菇¨’菇托,…,鬈k},其中,%=i表示第k只蚂蚁第J次选中顶点i,IuI表示第k只蚂蚁构造的团所包含的顶点数,即团的阶数。
设无向图G=(V,E),有n个顶点,图的存储结构采用邻接
矩阵删,堋(i√)=l表示顶点i和顶点,相邻接,arcs(i√)=0
表示顶点i和顶点,不相邻接。顶点i的度数为degree(i)。启发函数叩定义为和顶点相关联的边数,即顶点的度数,田(i)=degree(i)。目标函数为各蚂蚁构造的团中,团的阶数IuI的最大值。
蚂蚁k求解时,从一个顶点i转移到下一个顶点J的概率,按式(3)计算,其中,rU)为t时刻积累在顶点_『上的信息素的浓度,
J(k)为蚂蚁k可以转移的下一个顶点的集合。集合.,(k)中的每个顶点j要满足三个条件:①顶点J不包含在蚂蚁k形成的当前解{髫…毒垃,…,%}中;②顶点J和蚂蚁k已求得的当前解中的每个顶点相邻接;③顶点门砸i邻接,即arcs(id)=l。
扣f蚩黼In(J)
硝=j∑[fu)]。×
]4
川㈩(3)
一“”。
(3)
r’
olh盯
信息素的更新仅采用全局更新的方式,一代中仅对所含顶点数最多的团中所含的顶点进行信息素的修改增加,其余衰减。更新为式(4),其中,lmb为一代中蚂蚁找到的顶点数最多的团的阶数。
r‘(t+1)=p_r。(t)+△f(i)
(4)
其中:
甜¨卜10.…
rImb/n顶点i属于一代中蚂蚁找到顶点数最多的团
其他
3.2对基本蚁群算法的改进
根据式(1)计算出集合J(k)中所有顶点的概率,基本蚁群算法一般是选取概率大者作为下一个顶点。这样虽然强化了启发函数和信息素的引导,但是,容易出现停滞现象,过早地收敛于局部最优解。在蚁群算法中,信息素的加强形成正反馈机制,从而使可行解一步一步地向好解进化。同时也要增加搜索的随机性,兼顾解空间的各种情况,才能搜索到较好解,冲出局部最优解,向全局最优解进化。
基于上述分析,最大团问题蚁群算法改进蚂蚁选择下一个顶点的方式,采用最大原则或轮盘赌两种选点方式:给定参数qo(O≤q0<1),生成随机数g(O≤g<1)。
(1)当g≤go时,蚂蚁按最大原则选点,按式(5)计算,蚂蚁选取[r(j)]4×[叼(J)]9达到最大的集合J(奄)中的顶点。
lI娜([f(J)]4×[n(J)]4),∈J(k)(5)
(2)当q>q。时,按概率算式(3)计算集合.,(七)中所有顶点的概率,然后采用轮盘赌的方式选点,这样既兼顾了概率大小,又增加了搜索的随机性。轮盘赌的伪代码描述如下:
①生成一随机数r,O《r<l,.『=0,,=p,;②如果/≥r,则转④;⑤j=j+lJ=f+p;,辕②;④选取点J,输出,结束。
对上述给定的参数%采用动态改变的方式。在进化的前期,由于初始信息素匮乏,信息素还不能很好地起到弓l导作用,
q0取较大的值,这样蚂蚁较多按最大原则选点,减少蚂蚁的盲目搜索,蚂蚁容易找到较好的解,缩短搜索时间,加快收敛速度。在进化的后期,q。取较小的值。蚂蚁较多依据概率按轮盘赌方法选取下一个顶点,增加搜索的随机性,能有效地突破局部最优解,改善停滞现象,向最优解转化。
3.3最大团问题蚁群算法分析
求解最大团问题蚁群算法描述如下:
①初始化。设定各参数的值,蚂蚁的个数m,最大进化代数Ⅳc,当前进化代数GEN=0,各顶点初始信息素的浓度下(i)=
1,i=1,2,…,,I。
②蚂蚁I|}(k=l,2,…,m)随机选择一个顶点i为初始起点,
放入解向量,solutions(1)=i,舶Ⅱ(i)=l,团的阶数s=l。
③每只蚂蚁独立地构造一个团。生成蚂蚁k从顶点i可转移的下一个顶点的集合.,(.|});若_,(k)为不空,生成随机数q,若
第10期王会颖等:基于蚁群算法求解最大团问题
109
q<。qo,蚂蚁按最大原则选点,,否则,蚂蚁按轮盘赌的方式选点J;将顶点J放入蚂蚁k求得的解solutions中,tabu(,)=I,团的阶数s=s+1。如此循环,直到蚂蚁后可转移的下一个顶点的集合J(k)为空。q0进化初期取值较大,后期较小,动态变化。
④若蚂蚁k形成的团的阶数大于当代最优团的阶数,保存&形成的团为当代最优团。
⑤若m只蚂蚁都构造完成各自的团,则转⑥,否则转②。⑥根据本代的最优团,按(4)式进行全局信息素更新。⑦若本代最优团阶数大于进化以来的全局最优团阶数,保存本代最优团为全局最优团。
⑧若达到一定的代数或解已稳定,则输出最优解;否则GEN=GEN+1,转②。
在求解TSP问题基本蚁群算法ACO中,算法的时间复杂度T(,1)=o(Nc・n2・m);空间复杂度S(n)=o(17,2)+O(//,・m)¨0|。ACO和ACOMCP的时间复杂度比较如下:在初始化步骤上,ACO为O(,12),ACOMCP为O(,1);在每只蚂蚁独立构造一个解步骤上,ACO为O(n2),ACOMCP为O(r/.2);在信息素更新步骤上,ACO为O(,12),ACOMCP为O(/7,)。在ACOMCP中,虽然总体时间复杂度没变,但在初始化,信息素更新步骤上,从ACO的0(,12)降低到ACOMCP的O(n)。在ACOMCP中,启发函数、信息素、解向量、概率、禁忌表均为一维向量。空间复杂度S(rt)=O(/1.)。因此,最大团问题蚁群算法时间复杂度T(/1,)=0(Nc・/7,2・m);空间复杂度Js(n)=O(珏)。
顶点数11
88
实例文献7,图1
文献6。图9
文献
ACOMCP求解结果最大团
1,2,6,72,3,5,6,71,2,3,4,5,6,7,8,9,10
回溯算法
时间
O.00030.O003
阶数
45
阶数代数
45
l1
阶数时间
45
O.000lO.000l
14
文献6,图2
1010lO.0025100.0035
20
文献5
3
0。6,7或0,6,11或0,6,14或D。14,15或3,8,16或3,16,19或4。6,11
3l0.00103O.0013
表2回溯算法、AGOMCP对DIMACS中的实例的求解结果比较
DJMACS
顶点数
n
边数
9435225990
实例
Keller一4Keller一5
ACOMCP求解结果阶数个数代数
ll27
9210
l71
列溯算法
阶数
ll27
时间
O.4087812.4219
阶数
1l
时间
178.2622
17I776
表3ACOMCP算法求解实例keller-5得到的10个不同的阶数为27的最大团
3640425263J4619823930931232632834442242843046l47250053766572974674975377l7753640425263146198239309312326328344372422428430
46l47253766572974674975377l775
344390
4仿真实验
实验数据来源分为二部分:第一部分采用美国离散数学及理论计算科学中心DIMACS提供的DIMACS基准图中的keller4实例和keller5实例。DIMACS基准图可通过登录tip://dimaes.Rugers.edu/pub/challeng/或者http://dimacs.Rutgers.edu/chal—lenges/获得。实例keller4和keller5数据在ftp://dimaes.Rut-gem.edu/pub/challeng/graph/contributed/shot/qa。
第二部分实验数据采用文献[5—9]提供实例数据。实验运行环境为:Pentium
0
4l4448667016l239272309312326328
42242843046147253765072974l7457477577684l4448667016l239272309312326328344390422428430
46l47253763265074l745747757768
344422
4l4448667016l2392723093123263284284304l
46l472518537650729741745747757768
4448667016l183239309312326328344390
42242843046l47253763265074l7457477577684l
44486670161183239309312326328344422
1~6
4,2.26G
CPU,512M内存,jdk
42843046147251853765072974l74574775776841
11,Eclipse.SDK-3.4.1,Java编程。实验参数:蚂蚁数m
44486670161183239309312326328344422
=n,瑾=1,B=l,P=O.9,T_lllaX=l,x_min=0.00000001,最大进化代数为200,qO在进化初期取0.8,中期取0.6,后期取0.4。
实验比较回溯算法’4。和最大团问题蚁群算法的求解质量和求解时间。在求解质量上,ACOMCP取得了回溯算法精确求解得到的最优值,全部最优解。但在求解时间上,当问题规模较大时,ACOMCP求解时间远远小于回溯算法,取得较好的效果。实验结果如表I一表3和图2所示,其中,时间单位均为秒,代数为蚂蚁求得最优解进化的平均代数。
用文献E5—9]提供的实例对ACOMCP、回溯算法进行测试,表1给出求解结果比较,其中,时间均为求得一个最优解的平均时间。结果表明,ACOMCP均容易求得其最优值和最优解。
表1
顶点
ACOMCP和回溯算法及文献[5—9]结果的比较
42843046l47251853763265074l7457477577684144486670161239272309312326328
344422
42843046l4725185376326507417457477577684l44486670161183239309312326328344390422428430
46l472537650729741745747757768
数n
6
实例文献9,图2。
(a)
文献阶数
4
ACOMCP求解结果
最大团
回溯算法
时间
O.0002
阶数代数
4
l
阶数
4
时间
0
0,2,3,4或
0,1,2,3
图2ACOMCP求解keller-5每代的进化情况
用DIMACS基准图中的keller4和keller5测试实例对
4
0.000l
8
文献8,
4
2,4,5,7
410.o()03
(下转第113页】
第10期李政:主动学习在基于内容的遥感影像检索中的应用
113
时间;ACOMCP个数为ACOMCP求得的不同最大团的个数,
5结论
本文提出的融合主动学习和SVM的主动集成学习算法
经实验表明,可进一步减少所需标记样本的数量,同时能够最大程度地缩减变型空间,能有效地改善学习器性能,从而能快速准确地捕捉到用户查询概念。下一步将对该算法的适应性进行深入研究和验证。
ACOMCP时间为在连续lO次求解中,求得第一个最优解所用的平均时间,如Keller-5实例,求得第一个最优解的平均代数为71代,每代进化的平均时间为11.4989秒,ACOMCP时间为71×11.4989=816.4219秒。可以看出,对Keller-4实例,ACOMCP求解质量同于回溯算法。但求解时间远远小于回溯算法,从回溯算法的1708.2622秒降低到0.4087秒。对Keller-5实例,ACOMCP顺利求解,而回溯算法求解困难。实例keller-4用ACOMCP得到了阶数为11的92个不同的最大团。对实例kel—ler-5用ACOMCP得到的阶数为27的10个不同的最大团在表3
image
参考文献
[1]Smeulders
the
early
A
WM,eta1.Content—based
Transactions
on
retrieval
at
theendof
中给出。
图2中,横坐标表示ACOMCP进化的代数,纵坐标表示团的阶数,图2反映了ACOMCP求解过程中团的阶数随代数的变化情况,算法在第73代已达到了稳定,求解效率较高。
years.IEEE
PatternAnalysisandMachine
Intelligence。2000。22(12):1349—1380.
[2]SaltonG,Buddeyc.Improvingretrievalperformancebyrelevance
feedback.Journal
of
theAmerican
society
forinformation
science,
1990,41(4):288—297.
[3]张健沛,徐华.支持向量机(SVM)主动学习方法研究与应用.计
算机应用,2004(1):l一3.
[4]徐杰.基于小样本学习的图像检索研究[D].上海:上海交通大
学,2004.
[5]张学工.关于统计学习理论与支持向量机.自动化学报。2000,26
(1):32—42.
[6]FreundY,SeungH,eta1.Selectivesampling
mittee
using
5结论
本文研究利用蚁群算法求解最大团问题,提出了求解最大团问题蚁群算法。应用蚁群算法原理及算法模型对求解最大团问题进行建模,定义了最大团问题蚁群算法中的各元素。对基本蚁群算法进行改进,改进蚂蚁选择下一个顶点的方式,依据动态参数,采用最大原则或轮盘赌方式。这样,在进化前期蚂蚁较多按最大原则选点,蚂蚁容易找到较好的解,减少蚂蚁的盲目搜索,缩短搜索时间,加快收敛速度;在进化后期,蚂蚁较多依据概率按轮盘赌方法选取下一个顶点,既兼顾了概率大小,又增加了搜索的随机性,兼顾解空间的多种情况,有效改善蚁群算法易于过早地收敛于局部最优解的缺陷。对ACOMCP进行分析,其时间复杂度为O(Ⅳc・,12・m),空间复杂度为0(n)。仿真实验比较ACOMCP和回溯算法及文献[5—9]的结果,并用DIMACS基准图中的keller4和keller5测试实例对ACOMCP、回溯算法进行测试。实验结果表明,ACOM-CP算法取得较好的求解速度和求解质量。将最大团问题蚁群算法和其它算法融合,进一步改进算法的求解效率和求解质量,是需要进一步研究的问题。
the
queryby
o{Mn[i-
algorithm.MachineLearning,1997。28:133—168.
fortraining
[7]DaganI,EngelsonS.Committee・basedsampling
tic
on
probabilis-Conference
classifiers[C]//Proceedingsofthetwelfth
MachineLearning.1995:150—157.
International
[8]CohnD,AtlasL,LadnerR.Improvinggeneralizationwith
ing.Machine
activelearn-
Learning,1994,15(2):201—221.
sequential
[9]LewisD,GaleWA.A
algorithm
for
training
text
classifiers
fC]//Pn)e.OftheSeventeenthAnnumIntl.ACM.SIGIRConf.Re.
search
and
Development
in
Information
Retrieval,Springer-
Ved%,1994.
[10]刘宏,屠轶清,黄上腾.一种新的支持向量机主动学习策略及其
在文本分类中的应用.计算机科学,2003,30(6):110一112.[11]Tongs,KollerD.Support
cations
to
Vector
Machine
of
Active
LearningwithAppli・
TextCla∞iiication.Journal
MachineLearningResearch.
2001,2:45—66.
参考文献
[1]周旭东,王丽爱,陈岐.启发式算法求解最大团问题研究[J].计算
机工程与设计,2007,28(18):4329—4332.
(2]DorigoM.Optimizationlearningandnaturealgorithm[D].PhD.The-
sis,DepartmentofElectronics,PolitecnieodiMilano,Italy,1992.
support
vector
[12]Mitchell
T
M.Generalization鹊Search.JournalofArtitlcialInteRi-
gence.1982.18:203—226.
[13]MitchellT.MachineLearning.McGrawHill。1997.[14]Tongs,ChangE.Support[15]SchohnG,CohnD.Less
vector
machineactive
learningforimage睁
trieval.ACMMultimedia。Ottawa,Canada,2001.
is
more,Active
learningwith
[3]丁建立,陈增强,袁著祉.遗传算法与蚂蚁算法的融合[J].计算机
研究与发展,2003。40(9):1351—1356.
[4]王晓东.计算机算法设计与分析[M].2版.北京:电子工业出版
machines[C]//Prec.oftheSeventeenthlnd.Conf.OilMachine
ing.2000.
Learn-
[16]ChangCc,uncJ.LIBSVM:Alibraryforsupport
2001.http://www.esie.ntu.edu.tw/一cjlin/libevm.
vector
machines,
社.2005:141—143.
[5]刘怀义.杨小帆,孙丽萍,等.用带非线性自反馈的神经网络求解最
大团问题[J].重庆大学学报:自然科学版,2007,30(9):60—62.
f上接第109页)
ACOMCP和回溯算法分别进行测试,表2、表3和图2给出这些实例的部分测试结果。实验结果可以看出,ACOMCP可以求得基准图的最优值和不同的最优解,取得较好的结果,实证了ACOMCP求解的有效性和高效性。
表2中,DIMACS阶数为当前国际上对基准图测试得到的最大团阶数的最优值;回溯算法时间为求得一个最优解的平均
[6]韩爱丽,杨志敏.HEWN算法的复杂性分析~点商榷意见[J].软件
学报,2002,13(12):2337—2342.
[7]贾晓峰,郭廷花,续晓欣.关于最大团问题的一种新算法[J].中北
大学学报:自然科学版,2006,27(2):180—182.
[8]钱晓锋,郁松年,徐炜民.一种借助邻接矩阵求任意图最大团的方
法[J],计算机工程与应用,2001,23:103—105.
[9]李燕,王秀峰.DNA计算方法[J].计算机科学,加阱,31(5):142—1躬.[10]段海滨.蚁群算法原理及应用[M].北京:科学出版社,2005:40一42.
基于蚁群算法求解最大团问题
作者:作者单位:刊名:英文刊名:年,卷(期):
王会颖, 耿家礼, Wang Huiying, Geng Jiali安徽财贸职业学院计算机系,安徽,合肥,230601计算机应用与软件
COMPUTER APPLICATIONS AND SOFTWARE2010,27(10)
参考文献(10条)
1. 段海滨 蚁群算法原理及应用 2005
2. 李燕;王秀峰 DNA计算方法[期刊论文]-计算机科学 2004(05)
3. 钱晓锋;郁松年;徐炜民 一种借助邻接矩阵求任意图最大团的方法[期刊论文]-计算机工程与应用 2001(23)4. 贾晓峰;郭廷花;续晓欣 关于最大团问题的一种新算法[期刊论文]-中北大学学报(自然科学版) 2006(02)5. 韩爱丽;杨志敏 HEWN算法的复杂性分析-点商榷意见[期刊论文]-软件学报 2002(12)
6. 刘怀义;杨小帆;孙丽萍 用带非线性自反馈的神经网络求解最大团问题[期刊论文]-重庆大学学报(自然科学版)2007(09)
7. 王晓东 计算机算法设计与分析 2005
8. 丁建立;陈增强;袁著祉 遗传算法与蚂蚁算法的融合[期刊论文]-计算机研究与发展 2003(09)9. Dorigo M Optimization learning and nature algorithms 1992
10. 周旭东;王丽爱;陈岐 启发式算法求解最大团问题研究[期刊论文]-计算机工程与设计 2007(18)
本文链接:http://d.g.wanfangdata.com.cn/Periodical_jsjyyyrj201010033.aspx